張?jiān)吕?/p>

（北京軌道交通路網(wǎng)管理有限公司，北京 100101）

北京地鐵客流密度自動(dòng)檢測(cè)技術(shù)研究

張?jiān)吕?/p>

（北京軌道交通路網(wǎng)管理有限公司，北京 100101）

北京市軌道交通客流數(shù)量不斷增加，為加強(qiáng)對(duì)軌道交通各類突發(fā)事件引起的客流擁堵情況的應(yīng)急響應(yīng)處理，北京市軌道交通指揮中心擬啟動(dòng)建設(shè)路網(wǎng)視頻監(jiān)控中心項(xiàng)目。針對(duì)北京市軌道交通的客流擁堵問題以及傳統(tǒng)的客流密度監(jiān)測(cè)手段，分析軌道交通客流擁堵的特點(diǎn)，結(jié)合路網(wǎng)視頻監(jiān)控中心建設(shè)的業(yè)務(wù)需求和初步設(shè)計(jì)，提出對(duì)客流擁堵情況進(jìn)行監(jiān)測(cè)和應(yīng)對(duì)的優(yōu)化方法及建議，為未來(lái)建設(shè)路網(wǎng)視頻監(jiān)控中心提供參考與支持。

軌道交通；客流擁堵密度監(jiān)測(cè)；視頻監(jiān)控；回歸模型

0 引言

軌道交通作為城市公共交通的重要載體，不僅要面對(duì)線路的快速擴(kuò)張發(fā)展，還要面對(duì)日益增加的客流帶來(lái)的安全運(yùn)營(yíng)問題。

北京市于2013年11月頒發(fā)了《北京市人民政府辦公廳關(guān)于印發(fā)進(jìn)一步加強(qiáng)軌道交通運(yùn)營(yíng)安全工作方案的通知》（政辦發(fā)［2013］59號(hào)文），其中明確要求：“完善應(yīng)急指揮配套系統(tǒng)建設(shè)。增加各線路上傳市軌道交通指揮中心的視頻圖像數(shù)據(jù)；完成各線路廣播、乘客信息、閉路電視系統(tǒng)與市軌道交通指揮中心對(duì)接的升級(jí)改造工作；建立應(yīng)急調(diào)度、誘導(dǎo)乘客和信息發(fā)布的服務(wù)平臺(tái)[1]。”

為落實(shí)通知精神，北京市軌道交通指揮中心對(duì)既有路網(wǎng)調(diào)度應(yīng)急指揮系統(tǒng)的能力進(jìn)行了分析，詳細(xì)梳理了目前相關(guān)各系統(tǒng)中存在的問題，擬啟動(dòng)路網(wǎng)視頻監(jiān)控中心的建設(shè)，實(shí)現(xiàn)路網(wǎng)級(jí)視頻監(jiān)視、視頻分析和視頻管理等相關(guān)業(yè)務(wù)工作。

1 現(xiàn)狀及主要問題分析

隨著北京市軌道交通路網(wǎng)的飛速建設(shè)，目前全路網(wǎng)已建成并投入運(yùn)營(yíng)車站300余個(gè)，且新建線路車站顯著增加了站內(nèi)攝像頭數(shù)量及視頻監(jiān)控覆蓋范圍。傳統(tǒng)的基于人工調(diào)看閉路電視監(jiān)控系統(tǒng)（CCTV）視頻的客流擁堵監(jiān)測(cè)方法已無(wú)法應(yīng)對(duì)如此海量的監(jiān)視點(diǎn)。故而路網(wǎng)視頻監(jiān)控中心的建設(shè)目的之一，就是研究如何通過信息化手段，自動(dòng)對(duì)客流密度進(jìn)行監(jiān)測(cè)和預(yù)警，這也是路網(wǎng)視頻監(jiān)控中心的核心功能之一。

在前期系統(tǒng)可行性研究和初步設(shè)計(jì)過程中，發(fā)現(xiàn)當(dāng)前基于視頻分析的客流密度自動(dòng)監(jiān)測(cè)技術(shù)在擁堵場(chǎng)景下的應(yīng)用結(jié)果不夠精確。這是由于基于視頻分析的傳統(tǒng)客流密度自動(dòng)監(jiān)測(cè)技術(shù)會(huì)受到光照、其他運(yùn)動(dòng)目標(biāo)、建筑設(shè)施、人群遮擋、監(jiān)控?cái)z像頭角度等因素影響，容易導(dǎo)致客流密度的監(jiān)測(cè)結(jié)果不準(zhǔn)確。

2 解決方案研究

針對(duì)上述問題，進(jìn)行了有針對(duì)性的研究與探索，并提出以下應(yīng)對(duì)思路，提高在擁擠情況下的客流密度監(jiān)測(cè)精度。

2.1 傳統(tǒng)的客流密度檢測(cè)算法

傳統(tǒng)的人群密度檢測(cè)算法系統(tǒng)的原理是對(duì)視頻場(chǎng)景中設(shè)定好的區(qū)域進(jìn)行分析（見圖1），得到當(dāng)前此區(qū)域中人群密度的等級(jí)（百分比），當(dāng)密度等級(jí)高于預(yù)先設(shè)定好的報(bào)警等級(jí)時(shí)提示報(bào)警，以便值班人員進(jìn)行相應(yīng)的事件處理。

圖1 傳統(tǒng)客流密度分析示意圖

傳統(tǒng)的客流密度檢測(cè)算法都是通過單個(gè)個(gè)體或部分個(gè)體（頭/肩）的行人檢測(cè)，這種算法一般會(huì)通過對(duì)大量的行人個(gè)體樣本圖片提取特征作檢測(cè)訓(xùn)練。常用的特征包括Edgelet特征（描述人體局部輪廓的特征，包括直線、弧線等形狀，并將人體分為全身、頭肩部、腿部和軀干部等部分進(jìn)行算法訓(xùn)練）、Shapelets特征（核心思想是利用機(jī)器學(xué)習(xí)的方法自動(dòng)生成自適應(yīng)的局部特征，基于局部圖像區(qū)域的梯度來(lái)刻畫形狀特征）、HOG特征（是一種在計(jì)算機(jī)視覺和圖像處理中用來(lái)進(jìn)行物體檢測(cè)的特征描述子，它通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來(lái)構(gòu)成特征）等[2]。同時(shí)，為提高人體特征分析算法的效率，通常會(huì)同步應(yīng)用圖像分類器算法。圖像分類器算法的選擇對(duì)于檢測(cè)準(zhǔn)確率和檢測(cè)速度有著很大的影響，通常需要在這兩者之間作平衡。

2.2 基于回歸模型的人群密度估計(jì)算法

現(xiàn)有的分類器算法有很多種，在通常情況下由于時(shí)間復(fù)雜度比較高的原因，即便檢測(cè)準(zhǔn)確率較好，也無(wú)法被廣泛應(yīng)用。線性分類器（如boosting、線性SVM、隨機(jī)森林）由于其算法簡(jiǎn)單和迅捷的檢測(cè)速度，在實(shí)際應(yīng)用使用較多。但是線性分類器的檢測(cè)準(zhǔn)確率敏感度高，這會(huì)導(dǎo)致基于行人檢測(cè)客流密度時(shí)的統(tǒng)計(jì)容易受到遮擋或復(fù)雜背景的影響，造成基于個(gè)體統(tǒng)計(jì)的客流密度檢測(cè)算法在人群聚集的場(chǎng)景下準(zhǔn)確率和性能較差。雖然近幾年行人檢測(cè)和行人跟蹤技術(shù)取得了很大進(jìn)步，但是在人群密集場(chǎng)景下的人群跟蹤還是個(gè)無(wú)法解決的難題。

回歸分析（Regression Analysis）是運(yùn)用十分廣泛的用以確定兩種或兩種以上變量間相互依賴的定量關(guān)系的統(tǒng)計(jì)分析方法?；诨貧w模型的人群密度統(tǒng)計(jì)避免了對(duì)單一個(gè)體行人的跟蹤，把視頻中的人群看作一個(gè)連續(xù)的整體，運(yùn)用回歸模型或分類技術(shù)來(lái)估計(jì)人群密度[3]。因?yàn)榛诨貧w模型的方法不需要進(jìn)行前景分割和行人個(gè)體跟蹤，近年來(lái)，圖形學(xué)專家對(duì)該方法開展了相關(guān)研究，該方法或能為復(fù)雜背景下人群密度估計(jì)提供更優(yōu)的思路。

基于回歸模型的人群密度估計(jì)算法的流程見圖2，首先從視頻序列中提取前景區(qū)域，然后提取多種特征，再選擇合適的回歸模型進(jìn)行訓(xùn)練，最后根據(jù)測(cè)試樣本測(cè)算人群密度。

圖2 基于回歸模型的人群密度估計(jì)算法流程

回歸模型需提取的特征主要包括前景像素特征和紋理特征。研究發(fā)現(xiàn)，人群密度和前景像素及紋理特征呈現(xiàn)近似線性相似的關(guān)系，可以采用回歸擬合的方法計(jì)算視頻中的人群信息。此方法在人群密度比較低的場(chǎng)景下計(jì)算比較準(zhǔn)確，而地鐵車站內(nèi)的視頻監(jiān)控場(chǎng)景往往是高密度人群場(chǎng)景，容易發(fā)生人群遮擋等情況。另外，由于視頻圖像存在場(chǎng)景透視現(xiàn)象，人群個(gè)體在圖像中的大小隨著離攝像頭距離的遠(yuǎn)近而有所不同。離監(jiān)控?cái)z像頭越遠(yuǎn)則個(gè)體越小，離監(jiān)控?cái)z像頭越近則個(gè)體越大。因此在對(duì)人群密度進(jìn)行估計(jì)時(shí)，需要在前景特征分析的基礎(chǔ)上引入透視校正對(duì)場(chǎng)景中的每一個(gè)像素進(jìn)行處理。另外，由于高密度和低密度圖像的紋理特征不同，人群密度低時(shí)圖像紋理較粗，人群密度高時(shí)圖像紋理較細(xì)，所以通過提取紋理特征的方法來(lái)獲取人群信息是科學(xué)合理的。

局部二值模式（LBP）是一種用來(lái)描述圖像局部紋理特征的邏輯算法。早期的計(jì)算單位為3×3的像素窗口，周圍8個(gè)像素以中心像素值為閾值，若大于中心像素值，該像素點(diǎn)位置被標(biāo)記為1，否則標(biāo)記為0，然后就得到了二值圖。之后，選定圖片左上角的第一個(gè)點(diǎn)為起始點(diǎn)，按照順時(shí)針方向得到一個(gè)二進(jìn)制串00001111，轉(zhuǎn)換為十進(jìn)制則為15。于是，得到了中間點(diǎn)的LBP值為15。

以此類推，在3×3的窗口內(nèi)，除中心點(diǎn)外的8個(gè)像素點(diǎn)，可產(chǎn)生8 bit的無(wú)符號(hào)數(shù)，這也就是該窗口的LBP值，利用該值來(lái)表達(dá)區(qū)域內(nèi)的紋理信息，LBP算子提取過程見圖3。

隨后，在原始LBP算法的基礎(chǔ)上進(jìn)行各種改進(jìn)與優(yōu)化，如圓形LBP算子、旋轉(zhuǎn)不變模式、LBP等價(jià)模式等。

軌道交通站內(nèi)人群密度指標(biāo)是通過把地鐵車站的監(jiān)控視頻場(chǎng)景特征映射到人群數(shù)量的回歸函數(shù)模型并計(jì)算得出?；貧w函數(shù)運(yùn)用十分廣泛，構(gòu)造回歸函數(shù)的模型方法也很多，如線性回歸、基于塊區(qū)域的線性回歸或神經(jīng)網(wǎng)絡(luò)等。經(jīng)過研究比對(duì)，偏最小二乘法（PLSR）回歸模型從算法上來(lái)看，集合了許多回歸模型和降維算法的思想，能夠在多重相關(guān)性的情況下，而觀測(cè)的數(shù)據(jù)量又較少時(shí)，更好地解決多重共線性問題，因此常被用于人群密集復(fù)雜、周邊環(huán)境對(duì)人群分布影響較大情況下的視頻人群分析場(chǎng)景。

為了得到視頻場(chǎng)景中的人數(shù)，首先根據(jù)最小二乘法提取訓(xùn)練樣本中的像素?cái)?shù)和人數(shù)這兩組參數(shù)擬合一條曲線，計(jì)算曲線函數(shù)，然后提取每一幀圖像中的像素?cái)?shù)代入到函數(shù)中計(jì)算場(chǎng)景人數(shù)。

3 試驗(yàn)過程與結(jié)果

選取北京地鐵呼家樓、菜市口、磁器口等車站歷史視頻作為方案的測(cè)試樣本數(shù)據(jù)，選取6處不同的走行區(qū)域和服務(wù)區(qū)域，在早晚高峰客流高和平日客流低的情況下，使用安維思公司凌云（V3.0）、新科電子Video-Info Systems、東方網(wǎng)力視云天下（V3.3）視頻分析軟件，分別運(yùn)用傳統(tǒng)方案和基于回歸模型的新方案進(jìn)行客流密度統(tǒng)計(jì)驗(yàn)證。地鐵站方案測(cè)試情況見圖4，客流密度分析方案測(cè)試結(jié)果及對(duì)比見表1。

根據(jù)測(cè)試結(jié)果不難發(fā)現(xiàn)，在低密度的客流情景中，傳統(tǒng)方法和新的監(jiān)測(cè)方法都有較好的監(jiān)測(cè)精準(zhǔn)性，但在高密度的客流情景中，傳統(tǒng)方法會(huì)由于光線、人群遮擋等原因，無(wú)法準(zhǔn)確測(cè)算出客流密度，而基于回歸模型的人群密度估計(jì)方法監(jiān)測(cè)到的客流密度更接近實(shí)際值。該方案采用LBP紋理特征的提取方法，在動(dòng)態(tài)模式識(shí)別上有著較好的準(zhǔn)確率和性能，結(jié)合偏最小二乘法回歸模型，可以更好地對(duì)高密度客流進(jìn)行測(cè)算。

圖3 LBP算子提取過程

圖4 地鐵站方案測(cè)試

表1 客流密度分析方案測(cè)試結(jié)果及對(duì)比 人/m2

4 結(jié)束語(yǔ)

基于北京市軌道交通的實(shí)際情況，分析如何使用信息化手段，自動(dòng)對(duì)客流密度進(jìn)行監(jiān)測(cè)和預(yù)警，提出目前面臨的客流密度自動(dòng)監(jiān)測(cè)技術(shù)精確性問題。

對(duì)當(dāng)前主流客流密度檢測(cè)算法的分析發(fā)現(xiàn)，由于傳統(tǒng)的客流密度檢測(cè)方法在軌道交通地鐵站內(nèi)人群擁堵場(chǎng)景下的精準(zhǔn)性較低，特別是對(duì)于客流集中的站廳和站臺(tái)區(qū)域，傳統(tǒng)的視頻智能分析算法幾乎無(wú)法檢測(cè)客流密度，然而基于回歸模型的圖像處理算法為其提供了可能性，或能成為地鐵內(nèi)特殊環(huán)境、復(fù)雜背景下客流密度檢測(cè)的可行方法。在此闡述的通過LBP算子提取紋理特征的方法結(jié)合偏最小二乘法算法，可在一定程度上提高在高人群密度情況下的客流密度監(jiān)測(cè)準(zhǔn)確性。由于基于回歸模型的客流密度檢測(cè)方法仍處于研究實(shí)驗(yàn)階段，尚未得到廣泛的實(shí)際應(yīng)用，因此選擇符合北京軌道交通站內(nèi)客流特征的回歸模型并應(yīng)用于北京路網(wǎng)視頻監(jiān)控中心的客流密度監(jiān)測(cè)業(yè)務(wù)，需要與視頻分析廠商進(jìn)行更加深入的可行性研究和樣本測(cè)試驗(yàn)證工作。

路網(wǎng)視頻監(jiān)控中心建設(shè)時(shí)，可基于上述對(duì)視頻監(jiān)控區(qū)域的劃分，并充分考慮在項(xiàng)目建設(shè)過程中引入先進(jìn)的視頻監(jiān)控智能分析技術(shù)，結(jié)合更加全面的路網(wǎng)監(jiān)控手段，實(shí)現(xiàn)對(duì)乘客服務(wù)全過程、全方位的無(wú)死角監(jiān)控和追蹤，為乘客的安全出行保駕護(hù)航，為軌道交通的平穩(wěn)運(yùn)行和快速發(fā)展保駕護(hù)航。

[1] 北京市人民政府辦公廳. 北京市人民政府辦公廳關(guān)于印發(fā)《進(jìn)一步加強(qiáng)軌道交通運(yùn)營(yíng)安全工作方案》的通知[EB/OL].（2013-11-21）[2017-03-20]. http://govfile.beijing.gov.cn/Govfile/front/content/ 22013059_0.html.

[2] 朱聰聰，項(xiàng)志宇. 基于梯度方向和強(qiáng)度直方圖的紅外行人檢測(cè)[J]. 計(jì)算機(jī)工程，2014(12)：201-204.

[3] 林沁. 視頻中的大規(guī)模人群密度與異常行為分析[D].廈門：廈門大學(xué)，2014.

責(zé)任編輯盧敏

“中國(guó)畫火車第一人”王忠良先生火車鋼筆畫系列作品——ML2型復(fù)漲式爬山機(jī)車

ML2型復(fù)漲式爬山機(jī)車運(yùn)用于京張鐵路八達(dá)嶺區(qū)段（八達(dá)嶺關(guān)溝一帶坡度為33‰的陡峭路段），此種機(jī)車僅有71～74號(hào)共4臺(tái)。

Research on Passenger Flow Density and Automatic Measurement Technology of Beijing Metro

ZHANG Yuekun
（Beijing Rail Transit Railway Network Management Co Ltd，Beijing 100101，China）

With the increase of passenger for Beijing Rail Transit, Beijing Rail Transit Command Center shall develop the project of Network Video Monitoring Center to strengthen the emergency responses for passenger congestion caused by all kinds of sudden accidents. Aiming at the passenger congestion and the traditional monitoring method of the passenger f ow density, this paper analyzes the features of rail transit congestion and combine the business requirements and primary design of the Network Video Monitoring Center construction. Then it proposes the optimizing method and suggestions for monitoring and dealing with the passenger congestion, providing the reference and support for Network Video Monitoring Center construction in the future.

rail transit；density monitoring of passenger congestion；video monitoring；regression model

TP391；U298

A

1001-683X（2017）04-0096-05

10.19549/j.issn.1001-683x.2017.04.096

2017-03-01

張?jiān)吕ぃ?977—），男，工程師，碩士。E-mail：yuekun_zhang@126.com